本发明涉及装备评估,特别涉及一种装备体系贡献率评估方法。
背景技术:
1、随着信息技术的发展和装备复杂程度的提高,现代战争呈现出明显的体系对抗特点,进行装备体系研究对军事理论的创新和部队战斗力推动与提高有着相关作用。装备体系贡献率是在特定任务场景下,某类或某型装备对整个装备体系能力和作战效能提升所贡献程度的度量,其评估能够反应装备对于整体体系的能力效能提升度。但是现有技术中缺乏添加对抗体系的装备体系贡献度的评估,同时相关技术对于作战体系整体的反映能力不强,进而无法对装备体系贡献度进行有效评估。
技术实现思路
1、为解决上述现有技术中所存在的问题,本发明提供一种装备体系贡献率评估方法,通过添加对抗体系,并对对抗体系及作战体系对应拓扑网络节点分别进行整合,提升体系的反映能力,通过整合后的整体特征数据进行分析,保证装备体系贡献率的有效评估。
2、为了实现上述技术目的,本发明提供了如下技术方案:一种装备体系贡献率评估方法,包括:
3、步骤s110,基于作战体系构建作战拓扑网络,并基于所述作战拓扑网络进行整合处理,得到第一作战整体特征数据;
4、步骤s120,基于对抗体系构建对抗拓扑网络,并基于所述对抗拓扑网络进行整合处理,得到对抗整体特征数据;
5、步骤s130,对所述第一作战整体特征数据及所述对抗整体特征数据进行预测,得到第一置信度;
6、步骤s140,在所述作战拓扑网络中将分析装备对应节点进行去除,并对去除后的作战拓扑网络进行整合处理,生成第二作战整体特征数据;
7、步骤s150,对所述第二作战整体特征数据及所述对抗整体特征数据进行预测,得到第二置信度;
8、步骤s160,基于所述第一置信度及所述第二置信度得到贡献率以实现装备体系贡献率评估。
9、可选的,所述作战体系包括不同的任务类型,每个所述任务类型均划分为不同的子任务类型,其中所述子任务采用不同的装备,每个装备均具有对应的装备性能数据。
10、可选的,作战拓扑网络包括装备对应的节点,其中所述节点的特征数据包括所述装备性能数据,其中所述节点的标签包括任务类型及子任务类型,其中所述任务类型构成所述作战拓扑网络的层级。可选的,针对所述作战拓扑网络、所述对抗拓扑网络及去除后的拓扑网络的整合处理包括同类整合、聚类整合及拼接处理,其中所述同类整合包括对同一子任务类型中的装备性能数据进行平均化处理,所述聚类整合包括对同一层级下的平均化处理结果进行乘积处理,所述拼接处理包括将乘积处理结果与下一层级中的装备性能数据进行拼接处理,重复同类整合、聚类整合及拼接处理,直到遍历所有层级,生成整体特征数据。
11、可选的,步骤s130包括,通过深度学习网络模型对所述第一作战整体特征数据及所述对抗整体特征数据进行预测,得到第一置信度,其中所述深度学习网络模型采用全连接神经网络。可选的,通过所述深度学习网络模型进行预测之前还包括:
12、通过仿真训练样本及实测训练样本对深度学习网络模型进行特征迁移训练。
13、可选的,步骤s160,基于所述第一置信度及所述第二置信度得到贡献率包括:
14、当第一置信度及第二置信度的对应预测结果为成功时,对所述第一置信度及第二置信度进行差值计算,将所述差值计算结果与第一置信度的比值作为装备对于作战体系的贡献率;
15、当第一置信度及第二置信度的对应预测结果为失败时,对所述第二置信度及第一置信度进行差值计算,将所述差值计算结果与第一置信度的比值作为装备对于作战体系的贡献率;
16、当第一置信度对应的预测结果为成功,第二置信度的对应预测结果为失败时,对所述第二置信度及第一置信度进行求和计算,将所述求和计算结果与第一置信度加1结果的比值作为装备对于作战体系的贡献率;
17、当第一置信度对应的预测结果为失败,第二置信度的对应预测结果为成功时,装备对于作战体系的贡献率为0。
18、本发明具有如下技术效果:
19、通过上述技术方案,添加对抗拓扑体系即对抗网络,并通过借此与需要分析的作战体系进行结合分析,从体系与体系对抗间提取其成功率即置信度,能够全面分析装备体系贡献率,同时对对抗拓扑网络及作战对抗网络进行相关的整合处理,通过相关整合处理生成拓扑网络对应的整体特征数据,能够全面反映该体系及作战体系中所有装备节点的一定能力,同时使用深度学习网络模型生成成功率及置信度,并通过对置信度进行判断,生成装备体系贡献率,能够对装备体系贡献率进行全面有效的评估。
1.一种装备体系贡献率评估方法,其特征在于,包括:
2.根据权利要求1所述的装备体系贡献率评估方法,其特征在于,所述作战体系包括不同的任务类型,每个所述任务类型均划分为不同的子任务类型,其中所述子任务采用不同的装备,每个装备均具有对应的装备性能数据。
3.根据权利要求2所述的装备体系贡献率评估方法,其特征在于,作战拓扑网络包括装备对应的节点,其中所述节点的特征数据包括所述装备性能数据,其中所述节点的标签包括任务类型及子任务类型,其中所述任务类型构成所述作战拓扑网络的层级。
4.根据权利要求3所述的装备体系贡献率评估方法,其特征在于,针对所述作战拓扑网络、所述对抗拓扑网络及去除后的拓扑网络的整合处理包括同类整合、聚类整合及拼接处理,其中所述同类整合包括对同一子任务类型中的装备性能数据进行平均化处理,所述聚类整合包括对同一层级下的平均化处理结果进行乘积处理,所述拼接处理包括将乘积处理结果与下一层级中的装备性能数据进行拼接处理,重复同类整合、聚类整合及拼接处理,直到遍历所有层级,生成整体特征数据。
5.根据权利要求1所述的装备体系贡献率评估方法,其特征在于,步骤s130包括,通过深度学习网络模型对所述第一作战整体特征数据及所述对抗整体特征数据进行预测,得到第一置信度,其中所述深度学习网络模型采用全连接神经网络。
6.根据权利要求5所述的装备体系贡献率评估方法,其特征在于,通过所述深度学习网络模型进行预测之前还包括:
7.根据权利要求1所述的装备体系贡献率评估方法,其特征在于,步骤s160,基于所述第一置信度及所述第二置信度得到贡献率包括: